[发明专利]基于分数域傅里叶变换的可解释心音异常识别方法及系统

权利要求书

1.一种基于分数域傅里叶变换的可解释心音异常识别方法，其特征在于，所述方法包括:

步骤S100，对心音信号进行预处理；

步骤S200，对预处理的心音信号的分数域傅里叶变换熵特征进行提取；

步骤S300，模型建立，即训练XGBoost分类器建立模型，通过未加权平均召回率对结果进行评估：选定需要寻优的多个参数，并设定各参数网格搜索的范围，设置参数随机种子值，其余参数保持默认值；

逐个对XGBoost的参数进行网格搜索，以未加权平均召回率作为模型的性能指标，找出使得测试集的未加权平均召回率为最大值的模型；

步骤S400，模型解释，对统计特征计算SHAP值，获得每个特征的SHAP值。

2.根据权利要求1所述的基于分数域傅里叶变换的可解释心音异常识别方法，其特征在于，所述步骤S100包括：

步骤S110，剪切原始心音信号的一部分作为后续处理的心音样本；

步骤S120，将心音信号的采样频率下采样至一定数量值；

步骤S130，采用滤波器对心音信号进行滤波；

步骤S140，对所有心音信号进行幅值归一化，公式为：

其中，是幅值归一化后的心音信号，是原始心音信号；

步骤S150，分割心音的第二心音成分，并分别将各例心音信号的多个第二心音成分拼接；

步骤S160，对步骤S150处理后的心音信号进行分帧处理；

步骤S170，对每帧心音信号加汉明窗：

其中，为汉明窗函数，为信号的采样点，为一帧信号的采样点总数。

3.根据权利要求1所述的基于分数域傅里叶变换的可解释心音异常识别方法，其特征在于，所述步骤S200包括：

步骤S210，对心音信号做分数域傅里叶变换得到时频域信号，也称为分数域信号；

步骤S220，对心音信号的分数域谱取模；

步骤S230，提取一维分数域心音信号的香农熵特征，即分别对每帧分数域心音信号提取香农熵特征；

步骤S240，在帧级分数域傅里叶变换熵特征上应用多个统计函数作为每个心音信号提取的最终特征。

4.根据权利要求3所述的基于分数域傅里叶变换的可解释心音异常识别方法，其特征在于，所述步骤S230包括：

步骤S231，设一帧分数域心音信号为，总的采样点数为；

步骤S232，将数据序列按照以下公式分为段得到,：

；

步骤S233，比较得出这一帧心音信号的最大值，最小值；

步骤S234，建立一段连续数据，范围为(，)，同样的，分成段得到 ，；

步骤S235，计算被分段的心音信号序列位于所在对应的个数，那么第段的香农熵计算公式为：

其中，令；

步骤S236，那么这一帧心音信号的分数域傅里叶变换熵为：

或者表示为：

。

5.一种基于分数域傅里叶变换的可解释心音异常识别系统，其特征在于，所述系统包括:

预处理模块，用于对心音信号进行预处理；

特征提取模块，用于对预处理后的心音信号的分数域傅里叶变换熵特征进行提取；

模型建立模块，用于训练XGBoost分类器建立模型，通过未加权平均召回率对结果进行评估：选定需要寻优的多个参数，并设定各参数网格搜索的范围，设置参数随机种子值，其余参数保持默认值；

逐个对XGBoost的参数进行网格搜索，以未加权平均召回率作为模型的性能指标，找出使得测试集的未加权平均召回率为最大值的模型；

模型解释模块，用于对统计特征计算SHAP值，获得每个特征的SHAP值。